Qu es la simulacin Monte Carlo?

La simulacin Monte Carlo es una tcnica matemtica computarizada que permite

tener en cuenta el riesgo en anlisis cuantitativos y tomas de decisiones. Esta
tcnica es utilizada por profesionales de campos tan dispares como los de
finanzas, gestin de proyectos, energa, manufacturacin, ingeniera, investigacin
y desarrollo, seguros, petrleo y gas, transporte y medio ambiente.
La simulacin Monte Carlo ofrece a la persona responsable de tomar las
decisiones una serie de posibles resultados, as como la probabilidad de que se
produzcan segn las medidas tomadas. Muestra las posibilidades extremas los
resultados de tomar la medida ms arriesgada y la ms conservadora as como
todas las posibles consecuencias de las decisiones intermedias.
Los cientficos que trabajaron con la bomba atmica utilizaron esta tcnica por
primera; y le dieron el nombre de Monte Carlo, la ciudad turstica de Mnaco
conocida por sus casinos. Desde su introduccin durante la Segunda Guerra
Mundial, la simulacin Monte Carlo se ha utilizado para modelar diferentes
sistemas fsicos y conceptuales.
Cmo funciona la simulacin Monte Carlo
La simulacin Monte Carlo realiza el anlisis de riesgo con la creacin de modelos
de posibles resultados mediante la sustitucin de un rango de valores una
distribucin de probabilidad para cualquier factor con incertidumbre inherente.
Luego, calcula los resultados una y otra vez, cada vez usando un grupo diferente
de valores aleatorios de las funciones de probabilidad. Dependiendo del nmero
de incertidumbres y de los rangos especificados, para completar una simulacin
Monte Carlo puede ser necesario realizar miles o decenas de miles de reclculos.
La simulacin Monte Carlo produce distribuciones de valores de los resultados
posibles.
El anlisis de riesgo se puede realizar cualitativa y cuantitativamente. El anlisis
de riesgo cualitativo generalmente incluye la evaluacin instintiva o por
corazonada de una situacin, y se caracteriza por afirmaciones como Eso parece
muy arriesgado o Probablemente obtendremos buenos resultados. El anlisis de
riesgo cuantitativo trata de asignar valores numricos a los riesgos, utilizando
datos empricos o cuantificando evaluaciones cualitativas. Vamos a concentrarnos
en el anlisis de riesgo cuantitativo.
Mediante el uso de distribuciones de probabilidad, las variables pueden generar
diferentes probabilidades de que se produzcan diferentes resultados. Las
distribuciones de probabilidad son una forma mucho ms realista de describir la
incertidumbre en las variables de un anlisis de riesgo. Las distribuciones de
probabilidad ms comunes son:

Normal O curva de campana. El usuario simplemente define la media o valor

esperado y una desviacin estndar para describir la variacin con respecto a la
media. Los valores intermedios cercanos a la media tienen mayor probabilidad de
producirse. Es una distribucin simtrica y describe muchos fenmenos naturales,
como puede ser la estatura de una poblacin. Ejemplos de variables que se
pueden describir con distribuciones normales son los ndices de inflacin y los
precios de la energa.
Lognormal Los valores muestran una clara desviacin; no son simtricos como
en la distribucin normal. Se utiliza para representar valores que no bajan por
debajo del cero, pero tienen un potencial positivo ilimitado. Ejemplos de variables
descritas por la distribucin lognormal son los valores de las propiedades
inmobiliarias y bienes races, los precios de las acciones de bolsa y las reservas
de petrleo.
Uniform Todos los valores tienen las mismas probabilidades de producirse; el
usuario slo tiene que definir el mnimo y el mximo. Ejemplos de variables que
se distribuyen de forma uniforme son los costos de manufacturacin o los ingresos
por las ventas futuras de un nuevo producto.
Triangular El usuario define los valores mnimo, ms probable y mximo. Los
valores situados alrededor del valor ms probable tienen ms probabilidades de
producirse. Las variables que se pueden describir con una distribucin triangular
son el historial de ventas pasadas por unidad de tiempo y los niveles de inventario.
PERT El usuario define los valores mnimo, ms probable y mximo, como en la
distribucin triangular. Los valores situados alrededor del ms probable tienen
ms probabilidades de producirse. Sin embargo, los valores situados entre el ms
probable y los extremos tienen ms probabilidades de producirse que en la
distribucin triangular; es decir, los extremos no tienen tanto peso. Un ejemplo de
uso de la distribucin PERT es la descripcin de la duracin de una tarea en un
modelo de gestin de un proyecto.
Discrete El usuario define los valores especficos que pueden ocurrir y la
probabilidad de cada uno. Un ejemplo podra ser los resultados de una demanda
legal: 20% de posibilidades de obtener un veredicto positivo, 30% de posibilidades
de obtener un veredicto negativo, 40% de posibilidades de llegar a un acuerdo, y
10% de posibilidades de que se repita el juicio.
Durante una simulacin Monte Carlo, los valores se muestrean aleatoriamente a
partir de las distribuciones de probabilidad introducidas. Cada grupo de muestras
se denomina iteracin, y el resultado correspondiente de esa muestra queda
registrado. La simulacin Monte Carlo realiza esta operacin cientos o miles de
veces, y el resultado es una distribucin de probabilidad de posibles resultados.
De esta forma, la simulacin Monte Carlo proporciona una visin mucho ms
completa de lo que puede suceder. Indica no slo lo que puede suceder, sino la
probabilidad de que suceda.

La simulacin Monte Carlo proporciona una serie de ventajas sobre el anlisis

determinista o estimacin de un solo punto:

Resultados probabilsticos. Los resultados muestran no slo lo que puede

suceder, sino lo probable que es un resultado.

Resultados grficos. Gracias a los datos que genera una simulacin Monte
Carlo, es fcil crear grficos de diferentes resultados y las posibilidades de
que sucedan. Esto es importante para comunicar los resultados a otras
personas interesadas.

Anlisis de sensibilidad. Con slo unos pocos resultados, en los anlisis

deterministas es ms difcil ver las variables que ms afectan el resultado.
En la simulacin Monte Carlo, resulta ms fcil ver qu variables
introducidas tienen mayor influencia sobre los resultados finales.

Anlisis de escenario. En los modelos deterministas resulta muy difcil

modelar diferentes combinaciones de valores de diferentes valores de
entrada, con el fin de ver los efectos de situaciones verdaderamente
diferentes. Usando la simulacin Monte Carlo, los analistas pueden ver
exactamente los valores que tienen cada variable cuando se producen
ciertos resultados. Esto resulta muy valioso para profundizar en los
anlisis.

Correlacin de variables de entrada. En la simulacin Monte Carlo es

posible modelar relaciones interdependientes entre diferentes variables de
entrada. Esto es importante para averiguar con precisin la razn real por
la que, cuando algunos factores suben, otros suben o bajan paralelamente.

Una ventaja de la simulacin Monte Carlo es el uso del muestreo Latino

Hipercbico, que muestrea con mayor precisin a partir de un rango completo de
funciones de distribucin.

Simulacin de Monte carlo

Martn Lpez, Sonia
I. CONCEPTO
La Simulacin de Monte Carlo es una tcnica que permite llevar a cabo la
valoracin de los proyectos de inversin considerando que una, o varias, de las
variables que se utilizan para la determinacin de los flujos netos de caja no son
variables ciertas, sino que pueden tomar varios valores. Por tanto, se trata de una
tcnica que permite introducir el riesgo en la valoracin de los proyectos de
inversin.
La tcnica de la simulacin de Monte Carlo se basa en simular la realidad a travs
del estudio de una muestra, que se ha generado de forma totalmente aleatoria.
Resulta, por tanto, de gran utilidad en los casos en los que no es posible obtener
informacin sobre la realidad a analizar, o cuando la experimentacin no es
posible, o es muy costosa. As, permite tener en cuenta para el anlisis un elevado
nmero de escenarios aleatorios, por lo que, se puede decir que hace posible
llevar la tcnica del anlisis de escenarios al infinito ampliando la perspectiva de
los escenarios posibles. De esta forma, se pueden realizar anlisis que se ajusten
en mayor medida a la variabilidad real de las variables consideradas. La aplicacin
de esta tcnica se basa en la identificacin de las variables que se consideran
ms significativas, as como las relaciones existentes entre ellas (aunque esto
puede resultar realmente complejo), para explicar la realidad a estudiar mediante
la sustitucin del universo real, por un universo terico utilizando nmeros
aleatorios.
La simulacin de Monte Carlo data del ao 1940, cuando Neuman y Ulam la
aplicaron en el campo de la experimentacin de armas nucleares. A partir de
entonces, se ha demostrado que es una tcnica que puede ser aplicada en
campos de diversa ndole, utilizndose por primera vez para el anlisis de
inversiones en el ao 1964 por Hertz. Hay algunas aplicaciones informticas
especficas, como es el caso del programa "@Risk" de Palisade, o el "Cristal
Bowl", que permiten tener en cuenta la correlacin existente entre las variables, y
realizar el anlisis del riesgo en la valoracin de proyectos de inversin utilizando
la simulacin de Monte Carlo.
II. METODOLOGA DE CLCULO
La aplicacin del mtodo de Monte Carlo para valorar inversiones plantea dos
aspectos fundamentales; la estimacin de las variables y la determinacin del
tamao de la muestra.
1. La estimacin de las variables

Para la aplicacin de la simulacin de Monte Carlo se han de seguir los siguientes

pasos:

- En primer lugar hay que seleccionar el modelo matemtico que se va a

utilizar, siendo en el caso de la valoracin de proyectos de inversin los
ms habituales el Valor Actual Neto (VAN), y la Tasa Interna de Rentabilidad
(TIR). Segn el valor obtenido para estos mtodos de valoracin se tomar
la decisin de si el proyecto es rentable y se lleva a cabo, o no.
Z = f(x), donde "x" es la variable desconocida a simular

- A continuacin habr que identificar las variables cuyo comportamiento se

va a simular (x). Es decir, aquellas que se consideran que no van a tomar
un valor fijo, sino que pueden tomar un rango de valores por no tratarse de
variables ciertas, as como las relaciones que existen entre ellas (por lo que
sera deseable definir los coeficientes de correlacin existentes entre las
variables (posibilidad que ofrece el programa "@Risk"). Si no se tuvieran en
cuenta dichas interrelaciones, y se simularan las variables de forma
independiente, se estara incurriendo en un error en los resultados
obtenidos, y se reducira la variabilidad de los resultados al tener lugar el
efecto de compensacin en la interaccin de las variables.

- Una vez identificadas las variables que se van a simular, hay que
determinar la funcin de densidad de probabilidad f(x) asociada a cada una
de ellas.

- Posteriormente, se obtendrn las funciones de distribucin asociadas a las

variables (o variable).

- A continuacin se procede a la generacin de nmeros aleatorios

(nmeros tomados al azar) comprendidos entre cero y uno. Estos nmeros
pueden obtenerse utilizando un ordenador, siendo necesarios tantos como
variables se consideren en el modelo multiplicado por el nmero de
simulaciones que se deseen realizar.

- Una vez se dispone de los nmeros aleatorios, stos se llevan sobre el eje
de ordenadas, y se proyectan horizontalmente sobre las correspondientes
funciones de distribucin F(x) de las variables (o la variable) del modelo.

- El valor as calculado de "x" ser el primer valor de la muestra simulada.

- Este proceso habr de repetirse el nmero de veces necesario para poder

disponer del nmero adecuado de valores muestrales.

- A continuacin, se sustituyen los valores simulados en el modelo

matemtico para ver el resultado obtenido para las simulaciones realizadas.
En el caso del anlisis de proyectos de inversin en los que se utiliza como
mtodo de valoracin el VAN, hay que tener en cuenta que la tasa de
descuento a utilizar en las simulaciones es la tasa libre de riesgo, porque en
caso contrario se estara penalizando doblemente al proyecto de inversin,
tanto en el numerador como en el denominador por el riesgo. No obstante,
en contra de esta posicin que es la que se utiliza habitualmente en la
prctica empresarial, se encuentra la de los autores Brealey y Myers,
quienes limitan la utilidad de la simulacin de Monte Carlo a la mejor
estimacin de los flujos netos de caja, y proponen aplicar para el descuento
de los mismos la tasa de descuento ajustada por el riesgo, y no la tasa libre
de riesgo, porque consideran que hay un nico VAN.

- Posteriormente, se agrupan y clasifican los resultados. Se comparan los

casos favorables, con los casos posibles, y se agrupan por categoras de
resultados.

- Para finalizar, se lleva a cabo el anlisis estadstico y de inferencia sobre

el comportamiento de la realidad, siendo interesante calcular la media, la
varianza y la desviacin tpica. Por ejemplo, en la valoracin de proyectos
de inversin, es habitual llevar a cabo el anlisis de la viabilidad de un
proyecto de inversin analizando la probabilidad de que el Valor Actual Neto
(VAN) sea positivo (P(VAN>0)), as como el anlisis de sensibilidad con el
objetivo de identificar aquellas variables que son consideradas crticas por
tener mayor impacto sobre el VAN.

2. Estimacin del tamao de la muestra

Para determinar el tamao de la muestra, se empezar utilizando un nmero no
demasiado elevado de simulaciones, que se sustituirn en el modelo matemtico
seleccionado, y se calcular la media y la desviacin tpica correspondiente al
mismo. A continuacin, se ir ampliando el tamao de la muestra hasta que la
media y la desviacin tpica no varen significativamente en relacin con los
resultados obtenidos con la muestra anterior.
Se pueden aplicar dos procedimientos:

- Procedimiento aditivo: se parte de un nmero inicial de simulaciones (n), y

se calcula la media y la desviacin tpica del modelo matemtico utilizado. A
continuacin se procede a aadir un nmero de nuevas simulaciones
equivalente al bloque inicial (n), de tal forma que ahora se calcula la media
y la desviacin tpica del modelo matemtico utilizando para ello un nmero
de simulaciones que asciende a "2n". La nueva media y desviacin tpica
as calculadas se comparan con las anteriores, repitindose el proceso
hasta que la media y la desviacin tpica no diverjan en ms de un 0,5 1

por ciento. El inconveniente que presenta este mtodo es que segn se van
aadiendo nuevos bloques de simulaciones, las simulaciones antiguas
tienen mayor peso que las nuevas.
Ejemplo:
Paso 1: Tamao del bloque de simulaciones "n".
Paso 2: Tamao del bloque de simulaciones "n+n = 2n". Si no hay
convergencia, entonces paso 3, sino finalizar.
Paso 3: Tamao del bloque de simulaciones "2n+n = 3n". Si no hay
convergencia, entonces paso 4, sino finalizar.
Y as, sucesivamente hasta alcanzar la convergencia.

- Procedimiento multiplicativo: se parte de un nmero inicial de

simulaciones (n), y se calcula la media y la desviacin tpica del modelo
matemtico utilizado. A continuacin se procede a aadir un nmero de
nuevas simulaciones equivalente a las acumuladas hasta ese momento, de
tal forma que ahora se calcula la media y la desviacin tpica del modelo
matemtico utilizando para ello un nmero de simulaciones que es el doble
de las utilizadas en el paso anterior. La nueva media y desviacin tpica as
calculadas se comparan con las anteriores, repitindose el proceso hasta
que la media y la desviacin tpica no diverjan en ms de un 0,5 1 por
ciento. De esta forma se soluciona el inconveniente presentado por el
procedimiento anterior, dado que los nuevos bloques de simulaciones que
se van agregando tienen el mismo peso que el existente en el paso anterior,
por lo que la variabilidad del nuevo bloque de simulaciones tiene el mismo
peso sobre el total que la del bloque anterior, siendo por tanto en un mtodo
ms perfecto.
Ejemplo:
Paso 1: Tamao del bloque de simulaciones "n".
Paso 2: Tamao del bloque de simulaciones "2xn = 2n". Si no hay
convergencia, entonces paso 3, sino finalizar.
Paso 3: Tamao del bloque de simulaciones "2x2n = 4n". Si no hay
convergencia, entonces paso 4, sino finalizar.
Y as, sucesivamente hasta alcanzar la convergencia.

Nmeros Aleatorios
Definicion.
Los nmeros aleatorios son aquellos que pueden ser generados a partir de fuentes de
aleatoriedad, las cuales, generalmente, son de naturaleza fsica (dados, ruletas,
mecanismos electrnicos o mecnicos), y son gobernados por las leyes del azar; stos
exhiben verdadera aleatoriedad en la realizacin de experimentos. Por su parte, los
nmeros pseudo-aleatorios son aquellas que tienen un comportamiento similar a la
naturaleza aleatoria, pero estn ceidos a un patrn, generalmente de naturaleza
matemtica, que hace que su comportamiento sea determinantico.

Historia De Los Nmeros Aleatorios

Aproximadamente por le ao 3500 a.C., juegos de azar con objetos de hueso, que
podrian ser considerados como los precursores de los dados, fueron ampliamente
desarrollados en Egipto y otros lugares. En el siglo XVII, un noble francs, Antoine
Gombauld (1607-1684), puso en tela de juicio el fundamento matemtico del xito y
fracaso en las mesas de juego. Formul esta pregunta al matemtico francs Balies
Pascal (1623-1662): Cules son las posibilidades de que me salgan dos seises por lo
menos una vez en veinticuatro lanzamientos de un para de dados?, Pascal resolvi el
problema, pues la teora de la probabilidad empezaban a interesarle tanto como a
Gombauld. Ambos compartieron sus ideas con el famoso matemtico Pierre de Fernat
(1601-1665), y las cartas escritas por los tres constituyen la primera revista acadmica
dedicada a la probabilidad. Algunos de los problemas que ellos resolvieron haban
permanecido si solucin durante unos 300 aos. Sin embargo, ciertas probabilidades
numricas para ciertas combinaciones de dados ya haban sido calculadas por Giordamo
Cardano (1501-1576) y por Galileo Galileo (1564-1642)
Mas tarde, Jacob Benoulli (1654-1705), Abraham de Moivre (1667-1754), el reverendo
Thomas Bayes (1702-1761) y Joseph Lagrange (1736-1813) inventaron formulas y
tcnicas de probabilidad. En el siglo XIX, Pierre Simn, marqus de Laplace (1749-1827),
unifico esas primeras ideas y formul la primera teora general de la probabilidad, la cual
fue aplicada inicialmente con buenos resultados a los juegos de azar; con el tiempo
tambin se aplic en la bsqueda de soluciones analticas a problemas de naturaleza no
deterministica. La teora de la probabilidad ha sido constantemente desarrollada desde el
siglo XVII y ampliamente aplicada en diversos campos de estudio. Hoy es una
herramienta importante en la mayora de las reas de ingeniera,
ciencias y
administracin, y se constituye en la base para el estudio de las leyes de azar.
En cuanto a los nmeros aleatorios, podemos afirmar que la historia formal de stos
comenz en la dcada de los cuarenta con el nacimiento del mtodo llamado simulacin
de Montearlo, y Von Neumann, Metrpolis, Ulam y Lehmer pueden ser nombrados entre

los pioneros en este campo. John Von Neumann aparentemente conjetur el potencial de
los computadores para tratar problemas estocsticos en 1945. Durante los cuarenta, la
simulacin de procesos estocsticos permaneci restringida al proyecto secreto del
Departamento de Defensa de Estados Unidos. La publicacin de The Monte Carlo Method
por Metrpolis y Stanislaw M. Ulam en 1949 denota el inicio de la historia oficial del
mtodo. Dos aos ms tarde, D.H.Lehmer propuso el generador lineal de congruencia, el
cual, con pequeas modificaciones propuestas por Thomson y Rotenberg, ha llegado a
convertirse en el mtodo para la generacin de nmeros aleatorios mas ampliamente
usado en la actualidad. Aunque originalmente el mtodo de montecarlo fue implementado
por John Von Neumann y Stanislaw Ulam, utilizando ruletas y dados en los problemas de
difusin de los neutrones, en realidad su auge y creciente uso se debe a que hoy se
emplean nmeros aleatorios generados por computador.
Antes del advenimiento de las computadoras, los nmeros aleatorios eran generados por
dispositivos fsicos. En 1939, Kendall y Babington-Smith publicaron 100000 dgitos
aleatorios obtenidos con un disco giratorio iluminado con una lmpara relmpago. En
1955, la Rand Corporation public un milln de dgitos producidos controlando una fuente
de pulsos de frecuencia aleatoria; estos se encuentran disponibles en cintas magnticas
de la Rand.

Generacion De NUmeros Aleatorios

Una vez construido un modelo, debemos experimentar sobre l y para poder ejecutarlo
necesitamos dar valores a las variables de tipo exgeno. De esta forma podremos obtener
valores de salida y pasaremos a realizar un anlisis de los mismos. Algunas de las
variables de entrada son de tipo aleatorio por lo que se tendrn que generar valores que
simulen dichas entradas. Para generar variables aleatorias que sigan determinadas
funciones de probabilidad necesitamos partir de series de nmeros que cumplan ciertas
caractersticas de aleatoriedad. La generacin de dichos nmeros es lo que se va a
abordar en este tema.

Mtodo de congruencias aditivas.

Es un mtodo rpido, puesto que no necesita realizar multiplicacin. Se precisa una
secuencia de nmeros x1, x2. . . , xn. El generador produce una extensin de la
secuencia xn+1, xn+2, . . . de la forma siguiente:

xi = (xi1 + xin) mod m

Por definicin a = b mod m si ab es divisible por m (resto 0). Por ejemplo, en mdulo 4,
los nmeros 2, 6, 10, 14 son equivalentes porque (10 2), (10 6) . . . son todos
divisibles por 4. Hay que tener en cuenta que, cuando utilizamos mdulo m, los valores
que resultarn estarn comprendidos entre 0 y m-1.

Generadores de congruencias lineales

Una gran mayora de los generadores utilizados actualmente utilizan esta tcnica
introducida por Lehmer en 1951. Una secuencia de nmeros enteros Z1,Z2, . . . est
definida por la frmula recursiva:

Zi = (aZi1 + c) mod m

donde el mdulo m, el multiplicador a, el incremento c y la semilla o valor de comienzo

Z0 son enteros no negativos

Mtodo de cuadrados medios: Fue propuesto en la dcada de los 40 del siglo XX por
Von Neumann y Metrpolis. Requiere un nmero entero detonador (llamado semilla) con D
dgitos, el cual es elevado al cuadrado. Los pasos para generar nmeros mediante
cuadrados medios son:

1. Seleccionar una semilla (X0).

2. Se eleva al cuadrado la semilla.
3. Se extrae la cantidad de dgitos del centro que se deseen, y este ser X1.
4. Dividir X1 entre 10000 y el resultado es el nmero aleatorio buscado.
5. Repetir desde el paso 2 siendo la semilla X1 hasta obtener la cantidad de nmero aleatorios
deseados.